AI接收机的工作原理和实现过程

业内讨论了很多无线AI方案，其中“AI接收机”是大家重点关注的方向之一。相对于传统的接收机算法，AI接收机可以大幅度提升系统性能。在3GPPRAN/RAN1的会议上，可以看到很多AI接收机的提案，预计AI接收机是6G无线空口（6GR）的一个重要特性。下面我们就详细聊聊AI接收机的原理和实现过程，以及相关的硬件测试环境。

PART 01 为什么需要AI接收机？

当无线链路进入高速移动、强干扰、硬件非线性和时变多径等复杂场景时，传统接收机按照“建模—估计—补偿”的流水线逐段处理，难免出现失配与累积误差。AI接收机以数据驱动为核心，把这些环节融入一个端到端可学习的模型中，更稳定地把接收波形还原成比特。

PART 02 它怎么工作的？

在传统体系中，接收端要完成同步、信道估计（如 LS/LMMSE）、MIMO 均衡和软解调（计算 LLR），再交给 LDPC/Polar 等外部译码器。利用AI去优化上述任何模块都可以成为AI接收机。当然更宏伟的目标是利用AI替换上述多个模块，实现更大的性能增益。以下介绍中，我们就以这种接收机类型为例进行介绍。

如图1所示，在AI接收机的具体实现中，它可以把接收的 OFDM 资源栅格以及噪声信息一并输入神经网络，直接产出可供译码的 LLR[1]。许多原本依赖手工设计与规则调参的“估计与补偿”步骤，被网络在学习过程中自动吸收。

图1 传统通信接收机 VS 神经网络接收机[1]

这里面被AI替换的模块包含了信道估计、MIMO 均衡、解调等，神经网络直接输出软比特。对于信道编译码模块，考虑到其性能上限已通过经典编码理论论证，AI 的 “数据驱动优化” 无法突破理论边界，反而可能因模型过拟合导致鲁棒性下降，因此无实际优化价值，保留传统的实现。在后续的评估中，PUSCH 的物理层结构（资源栅格、DMRS、PRB、MCS 等）和 38.901 的信道建模与拓扑生成也照常使用，从而保证与现有标准体系的兼容。

PART 03 如何设计AI模型 (神经网络)

在输入端，由于AI接收机只能工作在实数上，因此将接收信号的实部和虚部分别提取出来，同时保留原始物理资源块的空间结构，以便神经网络提取空间特征，即实部和虚部信号都为C×S的矩阵，其中C为子载波个数，S为符号个数。之后将实部和虚部信号拼接作为神经网络的输入，即得到一个C×S×2的输入信号。

图2 神经网络接收机结构

图3 残差块结构[1]

在神经网络数据处理中，如图2所示，神经网络接收机由五个顺序连接的残差块构成[2][3]，该残差块通过跳跃连接使得神经网络能有效避免梯度消失[4]。

如图3所示，每个残差块由两个顺序连接的二维卷积神经网络和相应的ReLU激活函数构成。如图4所示，卷积神经网络的学习核心是利用一个尺寸为p×q的可训练参数的卷积核捕捉空间信息，具体地，该卷积核中每一个元素的参数的作用可以表示为：

y=ax+b

其中x为卷积核元素对应的输入，a和b分别为卷积核的权重和偏执，是可训练的线性关系参数，y为卷积核对应的输出。因此，利用卷积核在二维平面上循环移动，可以有效地提取空间上下文信息，从而在大量的训练数据中捕捉信道特征。卷积神经网络通过训练卷积核内部权重和偏置参数实现对输入的接收信号进行信道估计、均衡、星座图解映射等功能。

图4 卷积神经网络功能示意

PART 04 如何训练AI模型 (神经网络)

如图3所示，AI接收机可以在输出端得到一个C×S的软比特LLR，接收端将对这个LLR矩阵进一步处理，以剔除发射端导频信号所占位置，从而得到真实的解调LLR数据流。

训练时，网络输出的 LLR 数据流将与发端编码后的原始码字逐比特做交叉熵，作为损失函数：

其中，B为训练时的数据批量数，即在训练过程中，为避免数据量太少带来过拟合，每次都以一定固定量的数据计算损失函数；

C和S分别为通信信号的子载波数和符号数；

K为每批数据中发送的比特数，通常由子载波/符号数，发送导频配置和调制阶数共同决定。例如，对于一个C个子载波，S个符号的通信信号，假设其中2×C个资源块用于预留发送导频，采用QPSK调制，则发送比特K可以计算为:

是编码后的原始发送比特

是神经网络输出的软比特

是二元交叉熵的简写（Binary Cross Entropy），表示一个概率值对于0-1分类的预测准确度：

因此，最小化该损失函数等价于最大化近似的比特传输信息率[5]；在训练过程中，通常会在一定范围内随机采样 Eb/N0，使模型获得跨 SNR 的泛化能力。完成训练后，再按 SNR 曲线评估 BLER/BER，与传统链路的评测方式完全一致。

图5绘制了误码块率随信噪比变化的曲线，从中可以发现，AI接收机能够达到接近理论最优信道估计的性能，相比于传统通信接收机，能提升约3dB的性能。

图5 性能示意图

PART 05 能解决什么问题？

AI接收机最大的价值在于缓解模型失配：当真实信道非线性、高斯、平稳时，AI 接收机能直接根据数据分布学习信道环境。更重要的是它实现了联合最优化，避免传统串行模块“阶段性最优导致全局次优”的问题，把“估计—均衡—解调”的耦合误差一并优化掉。

PART 06 优势在哪里？

得益于端到端的表示学习，AI 接收机在多径时变、DMRS 稀疏、高阶调制等复杂条件下，往往能获得更低的 BLER/BER。同时，主链路更简洁，减少了大量规则与阈值的维护成本；同一结构也更容易通过微调迁移到不同带宽、PRB、MCS 与天线配置。

PART 07 面临哪些挑战？

• 数据与泛化：需要覆盖足够多的信道/硬件/干扰分布；跨场景泛化仍是难点。

• 可解释性与可验证：标准化、可解释与在役验证流程需补齐。

• 时延与算力：神经网络在低成本终端/边缘端的实时部署要考虑模型处理所需的时延能否满足5G符号级的解调速率需求。

• 鲁棒性与安全：对异常干扰/对抗扰动的稳健性要经过系统性测试。

• 维护与演进：版本管理、在线学习/离线更新、与标准接入网侧接口的兼容性。

• 标准与合规：与3GPP流程的对接（例如DMRS、HARQ、测量与报告）需在实际工程中打磨。

PART 08 只在接收端实现AI接收机？

AI接收机的实现也可以跟发端的模块结合起来，实现端对端的AI接收机，这里我们可以称之为: AI接收机 + 自适应星座，从“聪明接收”到“端到端共同进化”。

AI接收机把“估计-均衡-解调”学成一个网络；再把发端星座图设为可训练，发收两端联训，就成了真正的端到端通信“自动编码器”（Autoencoder）[6][7]，在复杂信道下更稳、更高效。另外，基于Autoencoder 的AI接收机可以实现Pilot-free或者Pilot-less的好处，进一步降低导频带来的资源开销。

图6 传统发送机星座图映射

图7 神经星座图发射机

如图6和7所示，保持AI接收机不变，进一步把发送端符号映射改为“可训练的星座”，与AI接收机共同优化，即“发-收端联合学习”[8]。发送机与接收机使用同一个损失函数共同优化，在实际操作过程中，该优化可以采用异步的策略使得系统更加稳定，即优化发送机参数后固定一段时间，此期间只优化接收机，经过固定的轮次后，再同步优化收发两端。

这样，训练时不止接收机网络在变，星座点的位置也跟着“长技能”。它会自然学到：

• 在频率选择性/时变信道下更鲁棒的点位（可能非规则QAM）

• 在译码器前端提供更“锋利”的LLR分布

• 在硬件非理想（如PA压缩）下权衡PAPR与判决距离

图8中可以看出，不同信道下，星座图中星座点的分别有很大的差异，通过这种差异化的星座点分布，通信系统可以不再依赖与导频信号对信道进行估计，即星座点分布本身，就潜在提供了信道特征。

图9描绘了不同方法在UMI信道下的性能曲线，可以看出，即使在较为复杂的信道环境中，星座图自适应的方法依然可以取得稳定良好的性能增益，且优于单独使用神经网络接收机(CGNN)的方法。

图8 不同信道下训练后的星座图

图9 不同方法的性能曲线

PART 09 如何搭建硬件测试环境？

仿真评估的条件一般比较理想，和实际的硬件环境存在一定的差别。为了更真实地评估AI接收机的性能，可以借助仪表搭建一个硬件测试环境，如图10所示。这里面信号源 (SMW)可以用来发送信号，FSW或者FSWX用来采集IQ信号，后台服务器或者PC用来进行AI的推理和信号处理。可以在SMW中加载TDL/CDL等衰落信道，并且基于上述硬件环境采集训练模型所需的标签数据，然后进行AI推理，跟传统的通信算法比较性能增益。此外，对于原型样机的开发，基于仪表的硬件测试环境也是必要的验证手段。

图10 AI接收机的测试环境

另外，SMW支持自定义的星座图 (如图11所示定义了一个R&S logo图样的星座图），可以用来评估“AI接收机 + 自适应星座”这种端对端的AI接收机性能。可以根据不同的接收机类型和测试需求，选择不同的硬件测试环境。

图11 自定义的星座图

结语

6G将以可持续发展的方式延伸移动通信能力边界，创新构建“超级无线宽带、极其可靠通信、超大规模连接、普惠智能服务、通信感知融合”五大典型应用场景，全面引领经济社会数字化、智能化和绿色化转型。AI接收机作为6G无线空口的一项重要候选技术，如何以高质量、高效率的形式发展至关重要，需要在技术评估、标准化、硬件环境中克服相关的挑战。

参考文献：

[1]Neural Receiver for OFDM SIMO Systems，Neural Receiver for OFDM SIMO Systems — Sionna 1.2.0 documentation

[2]M. Honkala, D. Korpi and J. M. J. Huttunen, “DeepRx: Fully Convolutional Deep Learning Receiver,” in IEEE Transactions on Wireless Communications, vol. 20, no. 6, pp. 3925-3940, June 2021, doi: 10.1109/TWC.2021.3054520.

[3]F. Ait Aoudia and J. Hoydis, “End-to-end Learning for OFDM: From Neural Receivers to Pilotless Communication,” in IEEE Transactions on Wireless Communications, doi: 10.1109/TWC.2021.3101364.

[4]Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, “Deep Residual Learning for Image Recognition”, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778

[5]G. Böcherer, “Achievable Rates for Probabilistic Shaping”, arXiv:1707.01134, 2017.

[6]End-to-end Learning with Autoencoders，End-to-end Learning with Autoencoders — Sionna 1.2.0 documentation

[7]T. O’Shea and J. Hoydis, “An Introduction to Deep Learning for the Physical Layer,” in IEEE Transactions on Cognitive Communications and Networking, vol. 3, no. 4, pp. 563-575, Dec. 2017, doi: 10.1109/TCCN.2017.2758370.

[8] S. Cammerer, F. Ait Aoudia, S. Dörner, M. Stark, J. Hoydis and S. ten Brink, “Trainable Communication Systems: Concepts and Prototype,” in IEEE Transactions on Communications, vol. 68, no. 9, pp. 5489-5503, Sept. 2020, doi: 10.1109/TCOMM.2020.3002915.

罗德与施瓦茨业务涵盖测试测量、技术系统、网络与网络安全，致力于打造一个更加安全、互联的世界。成立 90 多年来，罗德与施瓦茨作为全球科技集团，通过发展尖端技术，不断突破技术界限。公司领先的产品和解决方案赋能众多行业客户，助其获得数字技术领导力。罗德与施瓦茨总部位于德国慕尼黑，作为一家私有企业，公司在全球范围内独立、长期、可持续地开展业务。